🏃‍♂️ 跳绳 AI 分析系统（Jump Rope AI）

基于 MMPose + ST-GCN + 神经评分网络的高性能跳绳动作识别、计数与评分系统
支持多人检测、实时分析、ONNX 导出与 Web 可视化

📋 功能特性

✅ 多人跳绳识别：基于 YOLOX + RTMPose + ByteTrack 实现多人姿态跟踪
✅ 高精度计数：融合髋部、脚踝与节奏特征的智能计数算法
✅ 动作评分系统：神经网络模型自动评分（0-100）
✅ 端到端流水线：JumpRopePipeline 统一推理流程
✅ ONNX 支持：支持 ST-GCN、ScoringNet、RTMPose 模型导出
✅ Web API + 前端：Flask 接口 + React 可视化界面
✅ Docker 部署：一键容器化部署，生产就绪

---

🚀 快速开始

1. 克隆项目

git clone https://github.com/yourname/jump-rope-ai.git
cd jump-rope-ai

2. 安装依赖

pip install -r requirements.txt

3. 下载预训练模型

# 使用 mim 下载 MMPose 和 MMDet 模型
mim download mmdet configs/yolox/yolox_l_8x8_300e_coco.py --dest checkpoints/
mim download mmpose configs/body_2d_keypoint/rtmpose/coco/rtmpose-s_8xb256-420e_coco-256x192.py --dest checkpoints/

# 下载 ST-GCN 模型（示例）
wget -O models/stgcn_best.pth https://example.com/stgcn_jump.pth

4. 实时摄像头分析

python app/real_time.py

📂 项目结构

jump-rope-ai/
├── src/                     # 核心模块
│   ├── optimized_pose_extractor.py    # 多人姿态提取
│   ├── optimized_counter.py           # 多特征计数
│   ├── scorer.py                      # 评分神经网络
│   ├── pipeline.py                    # 端到端推理流水线
│   └── ...
├── app/                     # 应用层
│   ├── infer.py               # ✅ 带日志、异常处理、性能监控
│   ├── end2end_stream.py      # ✅ RTMP 推流
│   ├── real_time.py         # 实时摄像头分析
│   └── web_api.py           # Flask API 服务
├── scripts/                 # 工具脚本
│   ├── generate_scoring_data.py       # 评分数据生成
│   └── export_onnx_full.py            # ONNX 全流程导出
├── models/                  # 模型权重
│   ├── stgcn_best.pth
│   └── scoring_net.pth
├── data/                    # 训练数据
│   ├── scoring/features.npy
│   └── scoring/labels.npy
├── frontend/                # React 前端
├── config.yaml              # 配置文件
├── requirements.txt         # 依赖
├── Dockerfile               # 容器化
└── README.md

🛠️ 功能使用

1. 训练评分模型

# 生成训练数据（需准备视频和标签）
python scripts/generate_scoring_data.py

# 训练模型（示例）
python scripts/train.py \
    --task action \
    --data-path data/action/data.npy \
    --labels-path data/action/labels.npy \
    --epochs 50 \
    --lr 1e-3

2. 导出 ONNX 模型

python scripts/export_onnx_full.py

输出：

models/stgcn.onnx
models/scoring_net.onnx
models/rtmpose.onnx（需使用 mim export）

3. 带日志的本地推理

# 安装日志目录
mkdir logs

# 运行（自动记录日志）
python app/infer.py --source 0 --output output.mp4 --log-fps --show

4. RTMP 推流（需安装 FFmpeg）

# 安装 FFmpeg
sudo apt install ffmpeg  # Ubuntu
# 或 brew install ffmpeg # macOS

# 推流到本地 Nginx 或 OBS
python app/end2end_stream.py \
    --source 0 \
    --rtmp-addr rtmp://localhost/live/jump \
    --fps 25

5. 启动 Web API Bash 深色版本

python app/web_api.py  访问 http://localhost:5000 查看文档。

6. 运行前端界面 Bash 深色版本

cd frontend
npm install
npm start

🤝 贡献

欢迎提交 Issue 或 Pull Request！

Fork 项目

创建特性分支 (git checkout -b feature/xxx) 提交更改 (git commit -m 'Add xxx') 推送到分支 (git push origin feature/xxx) 打开 Pull Request

📄 许可

本项目基于 MIT License 开源。

💌 鸣谢

MMPose
MMDetection
MMEngine
PyTorch